Agents can do the work
Статья утверждает, что главный ограничитель развёртывания AI-агентов — не возможности моделей, а организационная готовность компаний. Автор выделяет пять уровней готовности: контентная, по охвату, процедурная, по данным и исполнительная — и большинство компаний имеют только первые две-три. Исследование шести отраслей (энергетика, здравоохранение, e-commerce, гейминг, финуслуги, управление недвижимостью) показало, что команды упираются не в технические ограничения AI, а в невозможность надёжно идентифицировать пользователя, получить живые данные или передать права на действия. Те, кто продвинулся в автоматизации, выигрывают за счёт стандартизированных операций, а не «лучшего AI». Оценка агентов должна сместиться с вопроса «может ли AI это сделать?» на «готовы ли мы позволить ему это сделать?». Пробелы конкретны и решаемы: отсутствующий API, рассогласованные данные, недокументированный процесс, неназначенный владелец риска.
There’s a question that runs underneath every AI Agent evaluation: what can it do?
Под каждой оценкой AI-агента лежит один вопрос: что он умеет?
Two years ago, that was the right question to ask because Agents were limited and capability was a genuine constraint. The gap between what organizations needed and what the technology could deliver was wide.
Два года назад это был правильный вопрос, потому что агенты были ограничены, и возможности были реальным узким местом. Разрыв между тем, что было нужно организациям, и тем, что могла дать технология, был широк.
That gap has since narrowed considerably, and yet most organizations are running their Agents well below what’s technically possible. They’re using them for answering and routing, but stopping short of looking things up, taking actions, or resolving complex, multi-step problems.
С тех пор этот разрыв заметно сократился, и всё же большинство организаций используют своих агентов значительно ниже технически возможного уровня. Они применяют их для ответов и маршрутизации, но не доходят до того, чтобы те искали информацию, выполняли действия или решали сложные многошаговые задачи.
The standard explanation for this is that AI isn’t good enough yet, whether the models need to improve or vendors need to ship more features. But after studying organizations across industries actively expanding their AI automation, what we found is that this explanation holds up less often than people assume.
Стандартное объяснение этому — что AI пока недостаточно хорош: либо моделям нужно стать лучше, либо вендорам выпустить больше функций. Но изучив организации в разных отраслях, активно расширяющие AI-автоматизацию, мы обнаружили, что это объяснение работает реже, чем принято считать.
The teams we observed weren’t primarily constrained by what their AI could do, they were constrained by what their organization was structured to let it do.
Команды, за которыми мы наблюдали, были ограничены прежде всего не тем, что мог сделать их AI, а тем, что их организация была структурно готова ему позволить.
Five kinds of readiness
Пять видов готовности
“Readiness” for AI breaks into five distinct types, and most organizations have some but not all of them.
«Готовность» к AI распадается на пять отдельных видов, и у большинства организаций есть одни, но не все.
Контентная готовность — это способность ясно и последовательно объяснить свой продукт и политики. Большинство компаний это умеют. Готовность по охвату — это то, определили ли вы границы: когда AI должен включаться, а когда отступить? Краевых случаев становится всё больше, намерения варьируются по сегментам клиентов, в разговоре всплывают чувствительные темы — но большинство команд могут проработать это при должных усилиях. Процедурная готовность — здесь начинается сложное. Речь о том, способны ли вы сформулировать свои процессы достаточно чётко, чтобы их мог выполнить кто-то, кроме человека с годами неявных знаний. Счастливый путь редко становится проблемой. Проблема — это пути сбоев, точки ветвления решений, вариации, которые никогда не были записаны, потому что всегда жили у кого-то в голове. Готовность данных — это первый настоящий обрыв. Можете ли вы надёжно идентифицировать нужного пользователя, аккаунт или объект в момент, когда требуется принять решение? Можно ли доверять данным в реальном времени? Стабильны ли API, доступны ли они и действительно ли подключены? Для большинства организаций честный ответ — «частично, но мы не всегда понимаем, когда это ломается». Исполнительная готовность — это самая высокая планка. Не только технически (может ли агент внести изменение?), но и организационно. Кто несёт ответственность, когда оформляется неправильный возврат? Кто это обнаруживает? Кто восстанавливает? Действительно ли кто-то с полномочиями принимает этот риск?
Most companies have the first two, some have the third, fewer have the fourth and fifth.
У большинства компаний есть первые два, у некоторых — третий, у меньшего числа — четвёртый и пятый.
What happens when teams try to go deeper
Что происходит, когда команды пытаются пойти глубже
We studied companies across six industries – energy, healthcare, ecommerce, gaming, financial services, property management – all trying to expand what their Agents could do.
Мы изучили компании в шести отраслях — энергетика, здравоохранение, e-commerce, гейминг, финансовые услуги, управление недвижимостью — все пытались расширить возможности своих агентов.
The pattern was that teams set out to automate real actions: looking up account status, processing changes, handling transactions. In most cases, the AI could technically do it, but at a certain point (somewhere between guiding a user through a process and looking something up on their behalf) they hit a wall.
Закономерность была такой: команды брались автоматизировать реальные действия — проверку статуса аккаунта, оформление изменений, проведение транзакций. В большинстве случаев AI технически мог это сделать, но в какой-то момент (где-то между сопровождением пользователя по процессу и поиском информации от его имени) они упирались в стену.
One team tried to automate application changes but couldn’t reliably identify which application to modify across their internal systems. Another explored billing automation but couldn’t access live account data due to regulatory constraints. A third needed to verify status across third-party vendor systems their Agent couldn’t reliably reach.
Одна команда пыталась автоматизировать изменения в заявках, но не могла надёжно определить, какую именно заявку модифицировать в их внутренних системах. Другая исследовала автоматизацию биллинга, но не могла получить доступ к живым данным аккаунтов из-за регуляторных ограничений. Третьей нужно было проверять статусы в системах сторонних вендоров, до которых их агент не мог надёжно дотянуться.
In most cases, the team redesigned around what their infrastructure could support. They moved toward guiding – walking users through processes step by step, rather than executing changes on their behalf. It worked, it resolved conversations and delivered real value, just differently than anyone planned.
В большинстве случаев команда перепроектировала решение под то, что могла поддержать её инфраструктура. Они смещались в сторону сопровождения — пошагового проведения пользователей через процессы вместо выполнения изменений от их имени. Это работало, закрывало разговоры и приносило реальную ценность, просто иначе, чем кто-либо планировал.
The evaluation trap
Ловушка оценки
Most Agent evaluations are built around capability. Can it handle complex queries? Does it support multiple channels? Can it integrate with our systems?
Большинство оценок агентов строится вокруг возможностей. Справляется ли он со сложными запросами? Поддерживает ли несколько каналов? Может ли интегрироваться с нашими системами?
These are reasonable things to evaluate for, but they produce a capability score, and that doesn’t tell you whether your organization can actually use what you’re buying.
Это разумные критерии для оценки, но они дают балл возможностей, а он не говорит вам, сможет ли ваша организация на самом деле использовать то, что вы покупаете.
The teams that got to deeper automation, the ones executing actions early, didn’t have “better AI,” they had more standardized operations. Actions that were already well-defined, consistently applied, and exposed through stable systems with clear rules. Automation wasn’t inventing new behavior, it was triggering actions that were already tightly controlled elsewhere.
Команды, которые добрались до более глубокой автоматизации — те, что рано начали выполнять действия, — не имели «лучшего AI», у них были более стандартизированные операции. Действия, которые уже были чётко определены, единообразно применялись и предоставлялись через стабильные системы с ясными правилами. Автоматизация не изобретала новое поведение — она запускала действия, которые уже были жёстко контролируемы где-то ещё.
Readiness enables capability, not the other way around. Which reframes the evaluation question from “can the AI do this?” to “are we actually ready for it to?”
Готовность даёт возможности, а не наоборот. Это переформулирует вопрос оценки с «может ли AI это сделать?» на «действительно ли мы готовы, чтобы он это делал?»
More ready than you think
Готовы больше, чем кажется
Something that gets lost in most conversations about AI readiness is that organizations are often further along than they assume, just not for the kind of work they were planning for.
В большинстве разговоров о готовности к AI теряется одна мысль: организации часто продвинулись дальше, чем им кажется, — просто не в той работе, которую они планировали.
A team that set out to automate refunds but can reliably guide users through complex troubleshooting has genuine capability deployed. They’re operating at the level their readiness supports, which is a starting point, not a deficit.
Команда, которая взялась автоматизировать возвраты, но способна надёжно сопровождать пользователей через сложную диагностику, обладает реальной развёрнутой возможностью. Они работают на том уровне, который поддерживает их готовность, и это отправная точка, а не дефицит.
The more useful frame isn’t “are we ready?” – it’s “what are we ready for, and what specifically stands between here and the next level?” The gaps tend to be concrete: a missing API, data that lives in three systems that don’t agree, a process that’s never been documented, or an ownership question nobody has answered. These are solvable problems. They just require a different kind of investment than buying a more capable Agent.
Более полезная постановка вопроса — не «готовы ли мы?», а «к чему мы готовы и что конкретно стоит между нами и следующим уровнем?». Пробелы обычно конкретны: отсутствующий API, данные, которые живут в трёх системах и не согласуются друг с другом, процесс, который никогда не был задокументирован, или вопрос ответственности, на который никто не ответил. Это решаемые проблемы. Просто они требуют другого рода инвестиций, чем покупка более способного агента.
The open question
Открытый вопрос
What nobody has worked through seriously yet is how organizations actually build readiness.
Никто пока всерьёз не разобрался в том, как организации на самом деле выстраивают готовность.
Does it develop naturally through using AI at shallower levels first? Or is it mostly a function of prior decisions, like system architecture choices made years ago, operational maturity that accumulated over time, engineering investments that have nothing to do with AI? When readiness does increase, what actually changes? Does the support team develop it? Does engineering grant it? Does it require executive sponsorship and investment in infrastructure with no obvious AI label on it?
Развивается ли она естественно через использование AI на более поверхностных уровнях? Или это в основном следствие предыдущих решений — выборов архитектуры систем, сделанных годы назад, операционной зрелости, накопленной со временем, инженерных вложений, не имеющих никакого отношения к AI? Когда готовность всё-таки растёт, что именно меняется? Развивает ли её команда поддержки? Предоставляет ли её инженерия? Требует ли она спонсорства на уровне руководства и инвестиций в инфраструктуру без очевидной AI-метки?
Until there are clearer answers, the pattern is likely to continue. Companies will buy capable Agents, plan ambitious rollouts, and find that the harder work is building the organizational infrastructure.
Пока нет более ясных ответов, картина, скорее всего, будет повторяться. Компании будут покупать способных агентов, планировать амбициозные внедрения и обнаруживать, что более тяжёлая работа — это выстраивание организационной инфраструктуры.
The Agents can do the work. The question is what it takes to let them.
Агенты могут делать работу. Вопрос в том, что нужно, чтобы им это позволили.